(Bagian I)
1
Ada tiga tahapan iterasi dalam pemodelan data deret waktu,
yaitu:
1. Penentuan model tentatif (spesifikasi model) berdasarkan
data contoh untuk mengidentifikasi nilai p, d, dan q.
2. Pendugaan parameter model ARIMA(p, d, q) yang
diidentifikasi, yaitu penduga nilai , , dan σ2𝑒 .
3. Analisis diagnostik untuk melihat kelayakan model.
2
Prosedur iterasi ini sering disebut ”Metode Box-
Jenkins”.
Untuk model ARIMA(p, d, q), spesifikasi dilakukan
untuk menentukan nilai p, d, dan q.
Alat yang digunakan pada tahap identifikasi ini adalah
fungsi autokorelasi.
Fungsi autokorelasi ini diduga dari data contoh atau
disebut fungsi autokorelasi contoh (sample of
autocorrelation function atau SACF atau ACF saja).
Disamping itu ada pula fungsi autokorelasi parsial
(sample of partial autocorrelation function atau SPACF
atau PACF saja)
3
a. ACF
nk
(Y Y )(Y
t t k Y )
rk t 1
n
, k 1, 2, ....
t
(Y
t 1
Y ) 2
Y t
Y t 1
n
rk merupakan penduga bagi k
4
a. PACF
PACF : kk = Corr(Yt, Yt-k | Yt-1, Yt-2, …, Yt-k+1)
Berdasarkan persamaan Yule-Walker:
j = k1j-1 + k2j-2 + ... + kkj-k
j = 1, 2, ..., k; Catatan: j = -j dan 0 = 1
k ACF; kk PACF
ˆkk penduga bagi kk
5
Contoh:
Misal diketahui data : 4, 2, 5, 1. Tentukan ACF (r1, r2) dan
PACF (𝜙11 , 𝜙22 )
nk
(Y Y )(Y
t t k Y )
Melalui persamaan rk t 1
n
, k 1, 2, ....
t
(Y
t 1
Y ) 2
6
Berdasarkan persamaan Yule-Walker dapat diperoleh
penduga PACF kk:
j = k1j-1 + k2j-2 + ... + kkj-k
Untuk k =1 j = 1
1 = 110 1 = 11(1) r1 = 𝜙11 = -0.7
Untuk k = 2 j = 1, 2
1 = 210 + 221 1 = 21 + 221
2 = 211 + 220 2 = 211 + 22
7
1 = 210 + 221 1 = 21 + 221
2 = 211 + 220 2 = 211 + 22
8
Pengidentifikasian Model
1.0
1.0
0.8
0.8
k 0.6
rk 0.6
0.4
0.4
0.2 0.2
0.0
k 0.0
k
1 2 3 4 5 1 2 3 4 5 6
ACF
Sample of ACF
9
Karena rk berasal dari data contoh maka diperlukan galat
baku bagi rk yaitu Srk.
Sebagai nilai pendekatan : Srk = 1 / n , dimana n adalah
banyaknya data.
Sehingga hipotesis H0 : k = 0 ditolak jika | rk | > 2Srk
atau | rk | > 2 / n .
10
Model AR : Misalkan AR(1) : Yt = Yt-1 + et
ACF : k = k ; k = 1, 2, …
Untuk model AR, ACF merupakan fungsi eksponensial
sehingga ACF tidak dapat digunakan untuk menentukan
nilai p dalam AR(p).
PACF : untuk k = 1 1 = 11
untuk k = 2 1 = 21 + 221 .... (1)
2 = 211 + 22 .... (2)
11
Berdasarkan persamaan (1) dan (2) 22 = 0.
Demikian juga 33 = 44 = ... = 0.
1 ; k 1
Sehingga PACF AR(1): kk
0 ; k 1
Dengan demikian PACF dapat digunakan sebagai
penentu nilai p dalam model AR(p).
1.0
1.0
0.8
0.8
kk 0.6
ˆ
kk
0.6
0.4 0.4
0.2 0.2
0.0 0.0
1 2 3 4 5 1 2 3 4 5 6
12
Pengidentifikasian nilai p dan q
1.0
0.4
0.2
0.0
1 2 3 4 5 6 7 8 9
Sample of ACF
1.0
cuts off after lag q
0.8
0.6
0.4
0.2
0.0
1 2 3 4 5 6 7 8 9
Sample of ACF
13
14
Contoh (1)
15
Contoh (2)
16
Contoh (3)
d=1
d=1
17
Pendugaan Parameter Model
18
1. Metode Momen
Metode ini didasarkan pada persamaan momen contoh dan
momen teoritis, kemudian memecahkan persamaan-persamaan
tersebut untuk mendapatkan penduga bagi parameter model.
Misalnya, menduga rataan populasi (teoritis) dengan rataan
contoh Y .
Model AR
a. AR(1) : Yt = Yt-1 + et
k = k ; k = 1, 2, …
1 = ˆ1 ˆ r1 = ˆ
Jadi pada AR(1) penduga bagi parameter model, ,
adalah r1 yang dapat dihitung dari data.
19
b. AR(1) : Yt = + Yt-1 + et
Bagaimana menduga ?
Perhatikan model : (Yt - 𝑌)= (Yt-1 - 𝑌) + et
↔ (Yt - 𝑌)= (Yt-1 - 𝑌) + et
↔ Yt = (1 - )𝑌 + Yt-1 + et
↔ Yt = + Yt-1 + et
Sehingga : = (1 - )𝑌
20
c. AR(2) : Yt = 1Yt-1 + 2Yt-2 + et
Berdasarkan persamaan Yule-Walker :
k = 1k-1 + 2k-2 + ... + pk-p
maka diperoleh
1 = 1 + 21 dan 2 = 11 + 2
dengan metode momen diperoleh:
r1 = ˆ1 + ˆ2 r1 dan r2 = r1 ˆ1 + ˆ2
penyelesaian terhadap dua persamaan ini diperoleh:
r1 (1 r2 ) r2 r1
2
ˆ
1 ˆ
dan 2
1 r1 1 r1
2 2
21
Model MA
MA(1) : Yt = et - et-1
ˆ
1 r1
1 2 1 ˆ 2
1 1 4r1
2
sehingga diperoleh : ˆ
2r1
22
Model ARMA
ARMA(1, 1) : Yt = Yt-1 - et-1 + et
(1 )( ) k 1
k
1 2 2
2 r
sehingga penduga bagi adalah : ˆ 2
1 r1
(1 ˆˆ)(ˆ ˆ)
r1
1 2ˆˆ ˆ 2
23
Contoh Kasus (Latihan):
Misalnya diketahui model AR(2) : Yt = + 1Yt-1 + 2Yt-2 + et.
Berdasarkan data diketahui bahwa r1 = 0.75, r2 = 0.61, dan
Y = 4.5. Tentukan ̂ , ˆ1 , dan ˆ2 dengan metode momen.
24
2. Metode Kuadrat Terkecil
Metode ini dilakukan dengan cara meminimumkan komponen
n
et .
2
pada galat, yaitu
t 1
25
MA(1) : Yt = et - et-1 et = Yt + et-1
et = Yt + ( Yt-1 + et-2)
et = Yt + Yt-1 + 2Yt-2 + 3Yt-3 + ….
n
S() = et
2
t 1
26
3. Metode Kemungkinan Maksimum
Metode ini dilakukan dengan cara memaksimumkan fungsi
kemungkinan (likelihood), berdasarkan fungsi sebaran galat (e t).
bsi
AR(1) : Yt = Yt-1 + et, misal et ~ N(0, e2)
n
1
f(e1, e2, …., en) = (2 ) 2 ( n 1) / 2
e . exp(
2 e2
t)
e 2
t 1
n
1
L(, e2) = (2 )
2 ( n 1) / 2
e . exp(
2 e2
(Y Y ) )
t 1
t t
2
27
MA(1) : Yt = et - et-1
Fungsi kemungkinannya, L(, e2), bersifat non-linear
sehingga pemaksimumannya harus dilakukan secara
numerik / iteratif.
28
Studi Kasus :
Tentukan model terbaik untuk data bulanan penjualan suatu
produk (Zt) sebagai berikut:
10
0
Zt
-10
Index 10 20 30 40
Zt : Data Asal
29
2
0
Zt(lag1)
-1
-2
-3
Index 10 20 30 40
30
3
1
Zt(lag2)
-1
-2
Index 10 20 30 40
31
Autocorrelation Function for Zt
(with 5% significance limits for the autocorrelations)
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 2 3 4 5 6 7 8 9 10 11
Lag
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 2 3 4 5 6 7 8 9 10 11
Lag
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 2 3 4 5 6 7 8 9 10 11
Lag
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 2 3 4 5 6 7 8 9 10 11
Lag
35
Autocorrelation Function for Zt(lag2)
(with 5% significance limits for the autocorrelations)
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
Partial Autocorrelation Function for Zt(lag2)
-0.8
(with 5% significance limits for the partial autocorrelations)
-1.0
1.0
1 2 3 4 5 6 7 8 9 10 11
Lag 0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1 2 3 4 5 6 7 8 9 10 11
Lag
36
ARIMA(0,2,1)
ARIMA model for Yt
37
ARIMA(1,2,0)
ARIMA model for Yt
Estimates at each iteration
Iteration SSE Parameters
0 55.9021 0.100 0.035
1 50.7183 0.250 -0.022
2 47.5927 0.400 -0.056
3 46.1186 0.543 -0.069
4 45.9902 0.582 -0.067
5 45.9806 0.592 -0.067
6 45.9799 0.595 -0.067
7 45.9799 0.596 -0.067
8 45.9799 0.596 -0.067
38
Pemilihan Model Terbaik Berdasarkan MSE Terkecil
39
1. Melalui Minitab, bangkitkan data yt, (n = 225), berupa
model ARIMA(1, 2, 0) dengan = 0.5, Φ = 0.8 serta
et ~ Normal(0,1). Gunakan 200 data terakhir dan lakukan
proses berikut:
a. Berdasarkan ACF dan PACF untuk data yt tersebut,
identifikasilah kandidat model yang sesuai.
b. Berdasarkan kandidat model tersebut, tentukan model
terbaik berdasarkan nilai MSE-nya.
c. Bandingkan penduga parameter yang diperoleh untuk
model terbaik pada poin (b) tersebut dengan nilai
parameter yang sesungguhnya. Apa kesimpulan Anda?
40
2. Melalui Minitab, bangkitkan data yt, (n = 225), berupa
model ARIMA(1, 1, 2) dengan = 1.0, Φ = 0.8, θ1 = - 0.9,
dan θ2 = 0.7 serta et ~ Normal(0,1). Gunakan 200 data
terakhir dan lakukan proses berikut:
a. Berdasarkan ACF dan PACF untuk data yt tersebut,
identifikasilah kandidat model yang sesuai.
b. Berdasarkan kandidat model tersebut, tentukan model
terbaik berdasarkan nilai MSE-nya.
c. Bandingkan penduga parameter yang diperoleh untuk
model terbaik pada poin (b) tersebut dengan nilai
parameter yang sesungguhnya. Apa kesimpulan Anda?
41
Lihat Montgomery : Exercise 5.11, hlm. 290
42
Cryer, J.D. and Chan, K.S. 2008. Time Series Analysis with
Application in R. Springer.
Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis
2nd. John Wiley.
Wei, William, W.S. 1990. Time Series Analysis, Univariate and
Multivariate Methods. Adison-Wesley Publishing Company Inc,
Canada.
Abraham, B. and Ledolter, J. 2005. Statistical Methods for
Forecasting. John Wiley.
43
Bisa di-download di
http://www.stat.ipb.ac.id/en/index.php?page=dr-kusman-sadik
44
45